等电梯等到怀疑人生，是每个上班族的共同记忆。明明按了按钮，电梯就是不来；来了不停；好不容易停了，方向还是反的。
电梯真的没有针对你。它在解一道 1961 年就有人申请专利的调度难题。最近读到一篇拆解电梯调度算法的文章，我意外发现：电梯工程师几十年前验证过的结论，和法律人今天用 AI 的方式，几乎是同一套问题的两个版本。
最反直觉的那个结论，先放在这里：给系统更多信息、把流程锁得更死，产出反而更差。
电梯调度的四个发现，恰好对应法律人用 AI 的四个误区。挨个说。
一、先搞懂电梯在算什么
最基础的电梯算法叫 SCAN，1961 年的专利：电梯从大堂出发，一路开到顶楼，掉头往下，沿途谁按都停。它有个变体叫 LOOK——只开到当前最高请求楼层就掉头，不傻乎乎跑完全程。
一台电梯好办，多台就麻烦了：谁去接谁？奥的斯公司的 RSR 算法给每台电梯打分，评估它接这个乘客的适配度。关键机制是：RSR 每 5 秒重新优化一次。原本分给 A 电梯的乘客，A 一旦延误，系统立刻改派 B。这种动态重平衡，是疏通客流的关键。
还有两个事实值得记住。
一是等待时间要看分布，不看平均。p50 是 1 分钟，意味着一半乘客等电梯不超过 1 分钟；p90 是 2 分钟，意味着九成乘客不超过 2 分钟。这里有个心理学陷阱：人记不住平均等待，只记得等到天荒地老的那次。p90 的极端体验，才是口碑的决定者。
二是流量有方向。早高峰几乎全是大堂到高层的上行，晚高峰反过来，午休是混合流，平时还有层间短途。不同时段的流量模式完全不同，算法必须跟着换模式。
二、kiosk 陷阱：一次性喂全料，是在帮倒忙
现在有些新电梯干脆取消了轿厢内按钮。你在楼层的自助终端（kiosk）上输入目的地，系统告诉你该等哪台——这叫 Destination Dispatch。
听起来很智能：优化器掌握了所有人的完整出行信息，调度结果应该更优才对。
实测结果是，大多数情况下，传统上下按钮反而更好。
原因就藏在那个"每 5 秒重优化"里。传统按钮模式下，系统保留了对每个乘客重新分配的权利，电梯跑着跑着路径还能调。而 kiosk 一旦把你指派给某台电梯，你就必须上那台——你按下按钮 30 秒后，世界可能已经变了，但系统失去了适应的能力。灵活性损失的代价，超过了额外信息带来的收益。
读到这里，我立刻想到法律人用 AI 最常见的姿势：把整本案卷、整份合同一次性丢进对话框，配一个几百字的超长 prompt，要求一次性输出完整的法律意见书。
看起来，这是给了 AI"完整信息"，是对工作负责。但按电梯工程师的逻辑，这恰恰是 kiosk 模式——你在起点就锁死了全部纠偏空间。
法律工作的事实是流动的。新证据会进来，客户会改主意，对方随时出新动作；连你自己的判断，也在分析深入的过程中不断修正。AI 写到一半，世界已经变了——而一次性锁定的方案没有改派的余地。你要么全盘推翻重来，要么硬着头皮接受一个从中间某段就开始偏离的产出。
传统按钮模式长什么样？分阶段交付，每个阶段留确认节点——这就是法律人版的"每 5 秒重优化"：
- 案件分析：先让 AI 对齐事实时间线，确认事实层没问题，再开法律评价；
- 合同审查：先出风险清单定方向，圈定重点条款，再逐条深化；
- 文书起草：先审大纲，再展开正文。
在四明山法师 AI 夜校的实训里，翻车率最高的恰恰是最认真的学员——材料喂得最全、prompt 写得最长的那批。他们不是不努力，是把所有决策都在起点做完了。
你给 AI 的信息越全，它为你保留的调整空间就越小。
三、满载反超：简单规则什么时候赢
第二个反直觉发现：拿 LOOK 和 RSR 对打，流量越高，LOOK 反而开始反超。
逻辑不难懂：电梯满载、每层都停的时候，"派谁去接"的精巧计算就失去了意义，反正每台都得每层停。小建筑、电梯少的场景，LOOK 也常常胜出。
映射到法律 AI，先分清你的任务是"满载场景"还是"轻载场景"。
高度标准化、批量化的任务——批量合同初审、证据编目、格式化文书——就是满载场景。这时候一条简单 SOP（固定清单、固定流程、固定输出格式）胜过精巧的多轮调度。小团队、轻量需求，也不必急着上复杂的多 Agent 编排。
反过来，真正非标准化的任务——复杂交易结构设计、疑难争议的策略推演——才值得精细调度。
我们团队的做法是两层分开：大型尽调项目里，批量合同初筛走固定清单（LOOK 模式），只对重大合同启动精细审查流程（RSR 模式）。两层不混用：用 RSR 的方式筛几百份普通合同是浪费，用 LOOK 的方式审重大合同是失职。
接任务前问两个问题：这是标准化批量任务吗？任务期间事实还会变吗？两个答案，决定你用哪种模式。
四、p90 信任定律：信任由最坏那次翻车定义
电梯的口碑不取决于平均等待，取决于 p90 的极端等待。
AI 的信任也一样。一个工具给你生成了一百次流畅漂亮的文本，只要有一次编造了一个不存在的法条——而你差点把它写进提交法院的意见书——之前积累的所有信任当场清零。
法律场景对幻觉的容忍度，大概是所有行业里最低的。律师用 AI 引错一条法条，签名的是你，担责的也是你。
所以法条时效核验、来源标注、关键结论人工复核这些"验证门禁"，不是锦上添花，是信任的基础设施。由此得出一个资源分配上的反常识推论：法律人用 AI 的优化目标，不是把平均质量从 80 分提到 90 分，而是把 p99 的灾难性错误压到零。这两件事的打法完全不同：前者靠更强的模型，后者靠更严的验证。
我在《赋能法律人》里反复强调的就是这件事：验证，是法律人用 AI 的第一性原理。
五、早高峰模式：按流量配 AI，别均匀铺设
电梯算法必须应对早高峰：全员上行，任何精细调度都不如简单粗暴的集中调配。
法律工作的负载同样有波峰和方向性：尽调的窗口期、月底的批量审核、开庭前的文书冲刺。高峰期就是满载场景，用简单可靠的规则，别在冲刺期调试新流程。日常轻载期，才是试验精细调度、迭代工作流的窗口。
在早高峰里搞算法升级，是对系统和自己双重不友好。
六、边界：什么时候"锁定"反而是对的
说句公道话，kiosk 模式并非一无是处。在机场、医院这类目的地高度固定的场景，它确实更优——因为"世界会变"这个前提不成立。
法律 AI 也一样。封闭、无变化、一次性的任务——翻译、格式转换、摘要提取——一次性交付完全没问题，不必硬拆阶段。
判断标准就两条：任务期间事实会不会变，产出错了代价大不大。事实会变、错了代价大，就分阶段、留节点；事实不变、错了好改，就一次跑完，别折腾。
结尾
回到最初的问题：电梯听到你的召唤了吗？听到了。它只是要在简单与复杂、信息与灵活之间做权衡。
AI 也一样。
信息更多不代表决策更好。给 AI 留调整的余地，就是给自己留纠错的余地。
作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办"首宗百亿地王""长春第一高楼""台州第一高楼"等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。四明山法师 AI 夜校（legalAGI.cn）发起人。